用于业务流程监控的自解释神经网络
机器学习
2025-03-25 v1
摘要
预测性业务流程监控（PBPM）中的任务（如下一活动预测），旨在从历史案例日志中生成有用的业务预测。最近，深度学习方法，特别是类似长短期记忆（LSTM）的序列到序列模型，已成为解决此类任务的主导方法。然而，为了增强模型透明度、建立对预测的信任，并深入理解业务流程，解释这些模型所做决定至关重要。现有的PBPM解释方法通常为*事后*，即仅在模型训练后提供解释。不幸的是，这些事后方法面临诸多挑战，包括忠实性不足、计算成本高以及对超分布样本的高度敏感性。本文介绍了我们认为已知的首个*自解释神经网络*架构，用于预测性过程监控。我们的框架训练一个LSTM模型，不仅提供预测，还为每个预测输出简洁的解释，同时调整优化目标以提高解释的可靠性。我们首先演示，将可解释性纳入训练过程并不会损害模型性能，在某些情况下实际上会提高性能。此外，我们表明我们的方法在忠实性和效率方面均优于事后方法。
引用
@article{arxiv.2503.18067,
title = {Self-Explaining Neural Networks for Business Process Monitoring},
author = {Shahaf Bassan and Shlomit Gur and Sergey Zeltyn and Konstantinos Mavrogiorgos and Ron Eliav and Dimosthenis Kyriazis},
journal= {arXiv preprint arXiv:2503.18067},
year = {2025}
}
备注
To appear in ICSBT 2025